# Importar librerías
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import numpy as np
import plotly.io as pio
pio.renderers.default = "notebook"

print("✅ Librerías listas")

✅ Librerías listas

# Cargar todos los archivos
df_oil_reserves = pd.read_csv('data\Oil-Proved_Reserves.csv')
df_oil_reserves_history = pd.read_csv('data\History_Oil-Proven_Reserves.csv')  
df_oil_production = pd.read_csv('data\Oil_Production__Mbbl_.csv')
df_oil_consumption = pd.read_csv('data\Oil_Consumption.csv')

df_gas_reserves = pd.read_csv('data\Total_Proved_Reserves__Tcm_.csv')
df_gas_reserves_history = pd.read_csv('data\History_Natural_Gas_-_Proved_Reserves__Tcm_.csv')
df_gas_production = pd.read_csv('data\Gas_Production__Bcm_.csv')
df_gas_consumption = pd.read_csv('data\Gas_Consumption__Bcm_.csv')

print("✅ Datos cargados")
print(f"Petróleo: {len(df_oil_reserves)} países")
print(f"Gas: {len(df_gas_reserves)} países")

✅ Datos cargados
Petróleo: 61 países
Gas: 61 países

<>:2: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

<>:3: SyntaxWarning:

"\H" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\H"? A raw string is also an option.

<>:4: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

<>:5: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

<>:7: SyntaxWarning:

"\T" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\T"? A raw string is also an option.

<>:8: SyntaxWarning:

"\H" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\H"? A raw string is also an option.

<>:9: SyntaxWarning:

"\G" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\G"? A raw string is also an option.

<>:10: SyntaxWarning:

"\G" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\G"? A raw string is also an option.

<>:2: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

<>:3: SyntaxWarning:

"\H" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\H"? A raw string is also an option.

<>:4: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

<>:5: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

<>:7: SyntaxWarning:

"\T" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\T"? A raw string is also an option.

<>:8: SyntaxWarning:

"\H" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\H"? A raw string is also an option.

<>:9: SyntaxWarning:

"\G" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\G"? A raw string is also an option.

<>:10: SyntaxWarning:

"\G" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\G"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:2: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:3: SyntaxWarning:

"\H" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\H"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:4: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:5: SyntaxWarning:

"\O" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\O"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:7: SyntaxWarning:

"\T" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\T"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:8: SyntaxWarning:

"\H" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\H"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:9: SyntaxWarning:

"\G" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\G"? A raw string is also an option.

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\3925839483.py:10: SyntaxWarning:

"\G" is an invalid escape sequence. Such sequences will not work in the future. Did you mean "\\G"? A raw string is also an option.

# Ver estructura
print("Reservas de Petróleo:")
df_oil_reserves.head()

Reservas de Petróleo:

# Extraer año 2020
oil_2020 = df_oil_reserves[['Continent', df_oil_reserves.columns[1], '2020']].copy()
oil_2020.columns = ['Continente', 'País', 'Reservas_Bbbl']

# Limpiar: formato europeo (181,5) a formato Python (181.5)
oil_2020['Reservas_Bbbl'] = oil_2020['Reservas_Bbbl'].astype(str).str.replace(',', '.')
oil_2020['Reservas_Bbbl'] = pd.to_numeric(oil_2020['Reservas_Bbbl'], errors='coerce')
oil_2020 = oil_2020.dropna(subset=['Reservas_Bbbl'])

print(f"✅ Datos 2020: {len(oil_2020)} países")
print(f"Total mundial: {oil_2020['Reservas_Bbbl'].sum():,.1f} Bbbl")

✅ Datos 2020: 61 países
Total mundial: 6,931.8 Bbbl

# Producción 2020
oil_prod_2020 = df_oil_production[['Continent', df_oil_production.columns[1], '2020']].copy()
oil_prod_2020.columns = ['Continente', 'País', 'Produccion_Mbbl_dia']
oil_prod_2020['Produccion_Mbbl_dia'] = pd.to_numeric(
    oil_prod_2020['Produccion_Mbbl_dia'].astype(str).str.replace(',', '.'), 
    errors='coerce'
)
oil_prod_2020 = oil_prod_2020.dropna()

# Combinar
oil_analysis = oil_2020.merge(oil_prod_2020[['País', 'Produccion_Mbbl_dia']], on='País')

print(f"✅ {len(oil_analysis)} países con ambos datos")

✅ 58 países con ambos datos

# PASO 3: Combinar reservas y producción (como ya lo tienes)
oil_analysis = oil_2020.merge(
    oil_prod_2020[['País', 'Produccion_Mbbl_dia']], 
    on='País', 
    how='inner'
)

print(f"Datos combinados: {len(oil_analysis)} registros iniciales")

# PASO 4: FILTRAR AGREGACIONES (NUEVO - AGREGAR AQUÍ)
# Lista de términos que indican totales o agrupaciones
aggregations_to_exclude = [
    'World', 'OPEC', 'Non-OPEC', 'OECD', 'Non-OECD', 
    'Total', 'of which', 'Other', 'Europe', 'European Union', 'EU',
    'Asia', 'Africa', 'Middle East', 'CIS', 'S. & Cent. America'
]

exclusion_pattern = '|'.join(aggregations_to_exclude)

oil_analysis = oil_analysis[~oil_analysis['País'].str.contains(
    exclusion_pattern, 
    case=False,
    na=False
)]

print(f"✅ Después de filtrar agregaciones: {len(oil_analysis)} países reales")

# PASO 5: Calcular producción anual (continúa como antes)
oil_analysis['Produccion_Anual_Mbbl'] = oil_analysis['Produccion_Mbbl_dia'] * 365 / 1000

# PASO 6: Calcular R/P Ratio (continúa como antes)
oil_analysis['RP_Ratio_Years'] = (oil_analysis['Reservas_Bbbl'] * 1000) / oil_analysis['Produccion_Anual_Mbbl']
oil_analysis['RP_Ratio_Years'] = oil_analysis['RP_Ratio_Years'].replace([np.inf, -np.inf], np.nan)

print("✅ R/P Ratio calculado")

# PASO 7: Ahora sí, seleccionar Top 15 PAÍSES REALES
top15_oil = oil_analysis.nlargest(15, 'Reservas_Bbbl').sort_values('Reservas_Bbbl')

print("\n🏆 Top 15 Países por Reservas (verificación):")
for idx, row in top15_oil.iterrows():
    print(f"   {row['País']}: {row['Reservas_Bbbl']:.1f} Bbbl")

Datos combinados: 58 registros iniciales
✅ Después de filtrar agregaciones: 49 países reales
✅ R/P Ratio calculado

🏆 Top 15 Países por Reservas (verificación):
   Algeria: 12.2 Bbbl
   Qatar: 25.2 Bbbl
   China: 26.0 Bbbl
   Kazakhstan: 30.0 Bbbl
   Nigeria: 36.9 Bbbl
   Libya: 48.4 Bbbl
   US: 68.8 Bbbl
   United Arab Emirates: 97.8 Bbbl
   Kuwait: 101.5 Bbbl
   Russian Federation: 107.8 Bbbl
   Iraq: 145.0 Bbbl
   Iran: 157.8 Bbbl
   Canada: 168.1 Bbbl
   Saudi Arabia: 297.5 Bbbl
   Venezuela: 303.8 Bbbl

# Producción anual = diaria × 365 días ÷ 1000 (para convertir a millones)
oil_analysis['Produccion_Anual_Mbbl'] = oil_analysis['Produccion_Mbbl_dia'] * 365 / 1000

# R/P Ratio = (Reservas en billions × 1000) / Producción en millions
oil_analysis['RP_Ratio_Years'] = (oil_analysis['Reservas_Bbbl'] * 1000) / oil_analysis['Produccion_Anual_Mbbl']
oil_analysis['RP_Ratio_Years'] = oil_analysis['RP_Ratio_Years'].replace([np.inf, -np.inf], np.nan)

print("✅ R/P Ratio calculado")
print("\nTop 5 con más años:")
top_rp = oil_analysis.nlargest(5, 'RP_Ratio_Years')[['País', 'RP_Ratio_Years']]
for _, row in top_rp.iterrows():
    print(f"   {row['País']}: {row['RP_Ratio_Years']:.0f} años")

✅ R/P Ratio calculado

Top 5 con más años:
   Venezuela: 1231 años
   Libya: 313 años
   Syria: 159 años
   Iran: 134 años
   Kuwait: 102 años

# Top 15 países
top15_oil = oil_analysis.nlargest(15, 'Reservas_Bbbl').sort_values('Reservas_Bbbl')

# Crear figura con 3 columnas
fig = make_subplots(
    rows=1, cols=3,
    subplot_titles=(
        'Reservas Probadas<br><sub>(Bbbl)</sub>',
        'Producción<br><sub>(Mbbl/día)</sub>',
        '¿Cuánto Durará?<br><sub>(Años)</sub>'
    ),
    column_widths=[0.3, 0.3, 0.4],
    horizontal_spacing=0.08
)

# Panel 1: Reservas (barras azules)
fig.add_trace(go.Bar(
    y=top15_oil['País'],
    x=top15_oil['Reservas_Bbbl'],
    orientation='h',
    marker_color='rgb(55, 125, 184)',
    showlegend=False,
    text=top15_oil['Reservas_Bbbl'].round(1),
    textposition='outside'
), row=1, col=1)

# Panel 2: Producción (barras rojas)
fig.add_trace(go.Bar(
    y=top15_oil['País'],
    x=top15_oil['Produccion_Mbbl_dia'],
    orientation='h',
    marker_color='rgb(228, 87, 86)',
    showlegend=False,
    text=top15_oil['Produccion_Mbbl_dia'].round(0),
    textposition='outside'
), row=1, col=2)

# Panel 3: R/P Ratio (puntos con líneas)
fig.add_trace(go.Scatter(
    y=top15_oil['País'],
    x=top15_oil['RP_Ratio_Years'],
    mode='lines+markers',
    marker=dict(size=10, color='rgb(55, 125, 184)', line=dict(width=2, color='white')),
    line=dict(width=2, color='rgb(55, 125, 184)'),
    showlegend=False,
    text=top15_oil['RP_Ratio_Years'].round(0).astype(str) + 'Y',
    textposition='middle right'
), row=1, col=3)

# Diseño
fig.update_layout(
    title='🛢️ Top 15 Países - Reservas de Petróleo (2020)',
    height=700,
    plot_bgcolor='white'
)
fig.update_xaxes(showgrid=True, gridcolor='lightgray')
fig.update_yaxes(showgrid=False, row=1, col=1)
fig.update_yaxes(showticklabels=False, row=1, col=2)
fig.update_yaxes(showticklabels=False, row=1, col=3)

fig.show()

# ============================================================================
# GRÁFICO DE DISPERSIÓN: Petróleo vs Gas con Venezuela Destacada
# ============================================================================
print("\n🎨 Creando gráfico de dispersión bidimensional...")

# Usar comparison_df que ya tiene ambos tipos de reservas
scatter_data = comparison_df.copy()

# Crear una columna que identifique a Venezuela
scatter_data['Tipo'] = scatter_data['País'].apply(
    lambda x: '🇻🇪 VENEZUELA' if x == 'Venezuela' else 'Otros países'
)

# Crear tamaños de puntos (Venezuela más grande)
scatter_data['Tamaño'] = scatter_data['País'].apply(
    lambda x: 30 if x == 'Venezuela' else 15
)

# Crear el gráfico de dispersión
fig_scatter_vzla = px.scatter(
    scatter_data,
    x='Reservas_Bbbl',
    y='Reservas_Tcm',
    color='Tipo',
    size='Tamaño',
    text='País',
    title='💎 Perfil Energético: Reservas de Petróleo vs Gas Natural<br>' +
          '<sub>Venezuela destacada - Posición única en el panorama global</sub>',
    labels={
        'Reservas_Bbbl': 'Reservas de Petróleo (Bbbl)',
        'Reservas_Tcm': 'Reservas de Gas Natural (Tcm)'
    },
    color_discrete_map={
        '🇻🇪 VENEZUELA': 'rgb(255, 193, 7)',  # Dorado
        'Otros países': 'rgb(100, 100, 100)'   # Gris
    },
    hover_data={
        'Reservas_Bbbl': ':.1f',
        'Reservas_Tcm': ':.1f',
        'Tipo': False,
        'Tamaño': False
    }
)

# Personalizar las etiquetas de los puntos
fig_scatter_vzla.update_traces(
    textposition='top center',
    textfont=dict(size=10),
    marker=dict(
        line=dict(width=2, color='white')
    )
)

# Personalizar diseño
fig_scatter_vzla.update_layout(
    height=700,
    plot_bgcolor='white',
    xaxis=dict(
        showgrid=True,
        gridcolor='lightgray',
        zeroline=False
    ),
    yaxis=dict(
        showgrid=True,
        gridcolor='lightgray',
        zeroline=False
    ),
    legend=dict(
        title='',
        yanchor='top',
        y=0.99,
        xanchor='left',
        x=0.01,
        font=dict(size=14)
    )
)

# Añadir líneas de referencia marcando los valores de Venezuela
if len(venezuela_data) > 0:
    # Línea vertical en el valor de petróleo de Venezuela
    fig_scatter_vzla.add_vline(
        x=venezuela_oil,
        line_dash="dash",
        line_color="orange",
        opacity=0.5,
        annotation_text=f"Petróleo VEN<br>{venezuela_oil:.0f} Bbbl",
        annotation_position="top"
    )
    
    # Línea horizontal en el valor de gas de Venezuela
    fig_scatter_vzla.add_hline(
        y=venezuela_gas,
        line_dash="dash",
        line_color="orange",
        opacity=0.5,
        annotation_text=f"Gas VEN: {venezuela_gas:.0f} Tcm",
        annotation_position="right"
    )

print("✅ Gráfico de dispersión creado")
print("\n💡 CÓMO INTERPRETAR ESTE GRÁFICO:")
print("   • Eje X (horizontal) = Reservas de PETRÓLEO")
print("   • Eje Y (vertical) = Reservas de GAS")
print("   • Venezuela está en DORADO y más GRANDE que los demás")
print("   • Las líneas punteadas naranjas marcan los niveles de Venezuela")
print("\n🔍 CUADRANTES DEL GRÁFICO:")
print("   • Superior Derecha = Mucho petróleo Y mucho gas (gigantes totales)")
print("   • Inferior Derecha = Mucho petróleo, poco gas (Venezuela está aquí)")
print("   • Superior Izquierda = Poco petróleo, mucho gas (Rusia está aquí)")
print("   • Inferior Izquierda = Poco de ambos (productores menores)")
print("\n🎯 LO QUE REVELA:")
print("   • La posición ÚNICA de Venezuela en el panorama energético")
print("   • Qué países tienen perfiles similares o complementarios")
print("   • La especialización de cada país en petróleo vs gas")

fig_scatter_vzla.show()

🎨 Creando gráfico de dispersión bidimensional...
✅ Gráfico de dispersión creado

💡 CÓMO INTERPRETAR ESTE GRÁFICO:
   • Eje X (horizontal) = Reservas de PETRÓLEO
   • Eje Y (vertical) = Reservas de GAS
   • Venezuela está en DORADO y más GRANDE que los demás
   • Las líneas punteadas naranjas marcan los niveles de Venezuela

🔍 CUADRANTES DEL GRÁFICO:
   • Superior Derecha = Mucho petróleo Y mucho gas (gigantes totales)
   • Inferior Derecha = Mucho petróleo, poco gas (Venezuela está aquí)
   • Superior Izquierda = Poco petróleo, mucho gas (Rusia está aquí)
   • Inferior Izquierda = Poco de ambos (productores menores)

🎯 LO QUE REVELA:
   • La posición ÚNICA de Venezuela en el panorama energético
   • Qué países tienen perfiles similares o complementarios
   • La especialización de cada país en petróleo vs gas

# ============================================================================
# GRÁFICOS PARALELOS: Petróleo y Gas con Venezuela Destacada
# ============================================================================
print("\n🎨 Creando gráficos paralelos comparativos...")

# Crear figura con dos columnas
fig_parallel = make_subplots(
    rows=1, cols=2,
    subplot_titles=(
        '🛢️ RESERVAS DE PETRÓLEO<br><sub>(Thousand million barrels)</sub>',
        '🔥 RESERVAS DE GAS NATURAL<br><sub>(Trillion cubic meters)</sub>'
    ),
    horizontal_spacing=0.15
)

# Ordenar datos para petróleo (de mayor a menor)
oil_sorted = comparison_df.sort_values('Reservas_Bbbl', ascending=True)

# Crear colores: Venezuela en dorado, otros en azul
colors_oil = [
    'rgb(255, 193, 7)' if pais == 'Venezuela' else 'rgb(55, 125, 184)'
    for pais in oil_sorted['País']
]

# Panel 1: Petróleo
fig_parallel.add_trace(
    go.Bar(
        y=oil_sorted['País'],
        x=oil_sorted['Reservas_Bbbl'],
        orientation='h',
        marker_color=colors_oil,
        marker_line_color=[
            'rgb(255, 87, 34)' if pais == 'Venezuela' else 'rgba(0,0,0,0)'
            for pais in oil_sorted['País']
        ],
        marker_line_width=[3 if pais == 'Venezuela' else 0 for pais in oil_sorted['País']],
        text=oil_sorted['Reservas_Bbbl'].round(1),
        textposition='outside',
        textfont=dict(
            size=[12 if pais == 'Venezuela' else 10 for pais in oil_sorted['País']],
            color=[
                'rgb(255, 87, 34)' if pais == 'Venezuela' else 'black'
                for pais in oil_sorted['País']
            ]
        ),
        hovertemplate='<b>%{y}</b><br>Petróleo: %{x:.1f} Bbbl<extra></extra>',
        showlegend=False
    ),
    row=1, col=1
)

# Ordenar datos para gas (de mayor a menor)
gas_sorted = comparison_df.sort_values('Reservas_Tcm', ascending=True)

# Crear colores para gas
colors_gas = [
    'rgb(255, 193, 7)' if pais == 'Venezuela' else 'rgb(76, 175, 80)'
    for pais in gas_sorted['País']
]

# Panel 2: Gas
fig_parallel.add_trace(
    go.Bar(
        y=gas_sorted['País'],
        x=gas_sorted['Reservas_Tcm'],
        orientation='h',
        marker_color=colors_gas,
        marker_line_color=[
            'rgb(255, 87, 34)' if pais == 'Venezuela' else 'rgba(0,0,0,0)'
            for pais in gas_sorted['País']
        ],
        marker_line_width=[3 if pais == 'Venezuela' else 0 for pais in gas_sorted['País']],
        text=gas_sorted['Reservas_Tcm'].round(1),
        textposition='outside',
        textfont=dict(
            size=[12 if pais == 'Venezuela' else 10 for pais in gas_sorted['País']],
            color=[
                'rgb(255, 87, 34)' if pais == 'Venezuela' else 'black'
                for pais in gas_sorted['País']
            ]
        ),
        hovertemplate='<b>%{y}</b><br>Gas Natural: %{x:.1f} Tcm<extra></extra>',
        showlegend=False
    ),
    row=1, col=2
)

# Configurar diseño
fig_parallel.update_layout(
    title=dict(
        text='🇻🇪 VENEZUELA en Contexto Global: Domina en Petróleo vs Posición en Gas<br>' +
             '<sub>Venezuela | Comparación con principales productores</sub>',
        font=dict(size=14),
        x=0.5,
        xanchor='center'
    ),
    height=700,
    showlegend=False,
    plot_bgcolor='white'
)

# Personalizar ejes
fig_parallel.update_xaxes(showgrid=True, gridcolor='lightgray', row=1, col=1)
fig_parallel.update_xaxes(showgrid=True, gridcolor='lightgray', row=1, col=2)
fig_parallel.update_yaxes(showgrid=False, row=1, col=1)
fig_parallel.update_yaxes(showgrid=False, row=1, col=2)

print("✅ Gráficos paralelos creados")
print("\n💡 INTERPRETACIÓN:")
print("==================================================")
print("   • IZQUIERDA = Ranking de PETRÓLEO (Venezuela domina)")
print("   • DERECHA = Ranking de GAS NATURAL (otros países destacan)")
print("==================================================")
print("   • Venezuela en DORADO con borde naranja en ambos gráficos")
print("==================================================")
print("\n🔍 COMPARA:")
print("==================================================")
print("   • Posición de Venezuela en ambos rankings")
print("==================================================")
print("   • Qué países cambian de posición entre petróleo y gas")
print("   • La brecha entre Venezuela y el #2 en cada recurso")

fig_parallel.show()

🎨 Creando gráficos paralelos comparativos...
✅ Gráficos paralelos creados

💡 INTERPRETACIÓN:
==================================================
   • IZQUIERDA = Ranking de PETRÓLEO (Venezuela domina)
   • DERECHA = Ranking de GAS NATURAL (otros países destacan)
==================================================
   • Venezuela en DORADO con borde naranja en ambos gráficos
==================================================

🔍 COMPARA:
==================================================
   • Posición de Venezuela en ambos rankings
==================================================
   • Qué países cambian de posición entre petróleo y gas
   • La brecha entre Venezuela y el #2 en cada recurso

# ============================================================================
# GRÁFICO DE BURBUJAS: Reservas vs Producción vs R/P Ratio
# ============================================================================
# Este gráfico muestra las 3 variables clave en una sola visualización
# X = Reservas, Y = Producción, Tamaño = R/P Ratio

print("🎨 Creando gráfico de burbujas...")

# Filtrar datos para tener solo valores válidos (sin NaN en R/P Ratio)
bubble_data = oil_analysis.dropna(subset=['RP_Ratio_Years']).copy()

# Para que el gráfico no se vea saturado, tomemos Top 30 países por reservas
# También podríamos tomar todos los países, pero 30 es un buen balance
top30_bubble = bubble_data.nlargest(30, 'Reservas_Bbbl')

# Crear el gráfico de burbujas usando plotly express
# px.scatter() con el parámetro size crea un gráfico de burbujas
fig_bubble = px.scatter(
    top30_bubble,
    x='Reservas_Bbbl',  # Eje horizontal: Reservas
    y='Produccion_Mbbl_dia',  # Eje vertical: Producción diaria
    size='RP_Ratio_Years',  # Tamaño de burbuja: Cuántos años durarán
    color='Continente',  # Color por continente para ver patrones regionales
    hover_name='País',  # Mostrar nombre del país al pasar el mouse
    hover_data={  # Datos adicionales en el tooltip
        'Reservas_Bbbl': ':.1f',
        'Produccion_Mbbl_dia': ':.0f',
        'RP_Ratio_Years': ':.0f años',
        'Continente': True
    },
    size_max=60,  # Tamaño máximo de las burbujas (para que no se vean gigantes)
    title='💎 Análisis Multidimensional: Reservas, Producción y Duración<br>' +
          '<sub>Tamaño de burbuja = Años restantes (R/P Ratio)</sub>',
    labels={
        'Reservas_Bbbl': 'Reservas Probadas (Bbbl)',
        'Produccion_Mbbl_dia': 'Producción Diaria (Mbbl/día)',
        'Continente': 'Región'
    }
)

# Personalizar el diseño
fig_bubble.update_layout(
    height=700,
    plot_bgcolor='white',
    xaxis=dict(
        showgrid=True, 
        gridcolor='lightgray',
        zeroline=False
    ),
    yaxis=dict(
        showgrid=True, 
        gridcolor='lightgray',
        zeroline=False
    ),
    legend=dict(
        title='Región',
        yanchor='top',
        y=0.99,
        xanchor='left',
        x=0.01
    )
)

# Añadir líneas de referencia opcionales
# Por ejemplo, una línea diagonal imaginaria que representa "uso eficiente"
# Países por encima de esta línea producen mucho comparado con sus reservas
# Países por debajo son más conservadores

print("✅ Gráfico de burbujas creado")
print("\n💡 CÓMO INTERPRETAR:")
print("   • Eje X (horizontal) = Cuántas reservas tiene el país")
print("   • Eje Y (vertical) = Cuánto produce diariamente")
print("   • Tamaño de círculo = Cuántos años le durarán las reservas")
print("   • Color = Región geográfica")
print("\n🔍 BUSCA PATRONES:")
print("   • Burbujas GRANDES = Reservas duraderas (producción conservadora)")
print("   • Burbujas PEQUEÑAS = Reservas se agotan rápido (producción agresiva)")
print("   • Esquina SUPERIOR DERECHA = Gigantes (muchas reservas Y mucha producción)")
print("   • Esquina INFERIOR IZQUIERDA = Productores menores")

fig_bubble.show()

🎨 Creando gráfico de burbujas...
✅ Gráfico de burbujas creado

💡 CÓMO INTERPRETAR:
   • Eje X (horizontal) = Cuántas reservas tiene el país
   • Eje Y (vertical) = Cuánto produce diariamente
   • Tamaño de círculo = Cuántos años le durarán las reservas
   • Color = Región geográfica

🔍 BUSCA PATRONES:
   • Burbujas GRANDES = Reservas duraderas (producción conservadora)
   • Burbujas PEQUEÑAS = Reservas se agotan rápido (producción agresiva)
   • Esquina SUPERIOR DERECHA = Gigantes (muchas reservas Y mucha producción)
   • Esquina INFERIOR IZQUIERDA = Productores menores

# ============================================================================
# TREEMAP: Proporción de Reservas Mundiales por País
# ============================================================================
# Muestra qué porcentaje del total mundial tiene cada país
# El tamaño de cada rectángulo es proporcional a las reservas

print("🎨 Creando Treemap de distribución mundial...")

# Tomar Top 20 países por reservas para que el treemap sea legible
# Si incluimos todos los países, los más pequeños serían invisibles
top20_treemap = oil_analysis.nlargest(20, 'Reservas_Bbbl').copy()

# Calcular el porcentaje que cada país representa del total mundial
total_mundial = oil_analysis['Reservas_Bbbl'].sum()
top20_treemap['Porcentaje_Mundial'] = (
    top20_treemap['Reservas_Bbbl'] / total_mundial * 100
).round(2)

# Crear etiquetas informativas para cada rectángulo
# Incluiremos el país, las reservas y el porcentaje
top20_treemap['Etiqueta'] = top20_treemap.apply(
    lambda row: f"{row['País']}<br>{row['Reservas_Bbbl']:.1f} Bbbl<br>({row['Porcentaje_Mundial']:.1f}%)",
    axis=1
)

# Crear el treemap usando plotly express
fig_treemap = px.treemap(
    top20_treemap,
    path=[px.Constant("🌍 Reservas Mundiales"), 'Continente', 'País'],  # Jerarquía
    values='Reservas_Bbbl',  # El tamaño de cada rectángulo
    color='Continente',  # Color por región
    hover_data={
        'Reservas_Bbbl': ':.1f',
        'Porcentaje_Mundial': ':.2f%',
        'Continente': True
    },
    title='🗺️ Distribución Global de Reservas de Petróleo<br>' +
          '<sub>Top 20 países - Tamaño proporcional a reservas probadas</sub>'
)

# Personalizar el diseño
fig_treemap.update_layout(
    height=700,
    font=dict(size=12)
)

# Personalizar las etiquetas dentro de los rectángulos
fig_treemap.update_traces(
    textposition='middle center',
    textfont=dict(size=11, color='white'),
    marker=dict(line=dict(color='white', width=2))  # Borde blanco entre rectángulos
)

print("✅ Treemap creado")
print("\n💡 CÓMO INTERPRETAR:")
print("   • Cada rectángulo = Un país")
print("   • TAMAÑO del rectángulo = Proporción de reservas mundiales")
print("   • COLOR = Región geográfica")
print("   • Rectángulos grandes = Países que controlan gran % del total")
print("\n🔍 OBSERVA:")
print("   • ¿Cuántos países necesitas sumar para llegar al 50% mundial?")
print("   • ¿Qué región geográfica domina el mapa?")
print("   • ¿Hay concentración (pocos países grandes) o distribución?")

fig_treemap.show()

🎨 Creando Treemap de distribución mundial...
✅ Treemap creado

💡 CÓMO INTERPRETAR:
   • Cada rectángulo = Un país
   • TAMAÑO del rectángulo = Proporción de reservas mundiales
   • COLOR = Región geográfica
   • Rectángulos grandes = Países que controlan gran % del total

🔍 OBSERVA:
   • ¿Cuántos países necesitas sumar para llegar al 50% mundial?
   • ¿Qué región geográfica domina el mapa?
   • ¿Hay concentración (pocos países grandes) o distribución?

# ============================================================================
# GRÁFICO DE BARRAS APILADAS: Composición Regional de Reservas
# ============================================================================
# Muestra cómo se distribuyen las reservas DENTRO de cada región

print("🎨 Creando gráfico de composición regional...")

# Agrupar datos por continente y país
regional_data = oil_analysis.copy()

# Para cada continente, calcular qué porcentaje representa cada país
regional_data['Total_Regional'] = regional_data.groupby('Continente')['Reservas_Bbbl'].transform('sum')
regional_data['Porcentaje_Regional'] = (
    regional_data['Reservas_Bbbl'] / regional_data['Total_Regional'] * 100
)

# Filtrar para tomar solo los países más significativos de cada región
# Tomemos países que representen al menos 5% de su región
significant_countries = regional_data[regional_data['Porcentaje_Regional'] >= 5].copy()

# Si una región tiene muchos países pequeños, podemos agruparlos como "Otros"
# Esto lo haremos manualmente por región si es necesario

# Crear el gráfico de barras apiladas
fig_stacked = px.bar(
    significant_countries,
    x='Continente',
    y='Reservas_Bbbl',
    color='País',
    title='🌍 Composición de Reservas por Región<br>' +
          '<sub>Distribución interna de cada continente</sub>',
    labels={
        'Reservas_Bbbl': 'Reservas Probadas (Bbbl)',
        'Continente': 'Región'
    },
    hover_data={
        'Reservas_Bbbl': ':.1f',
        'Porcentaje_Regional': ':.1f%'
    }
)

# Personalizar para que sea un gráfico apilado al 100%
fig_stacked.update_layout(
    barmode='stack',
    height=600,
    xaxis_title='Región',
    yaxis_title='Reservas Totales (Bbbl)',
    plot_bgcolor='white',
    legend=dict(
        title='País',
        orientation='v',
        yanchor='top',
        y=1,
        xanchor='left',
        x=1.02
    )
)

print("✅ Gráfico de composición regional creado")
print("\n💡 INTERPRETACIÓN:")
print("   • Cada barra = Una región del mundo")
print("   • ALTURA total = Reservas totales de esa región")
print("   • Segmentos de COLOR = Países dentro de esa región")
print("   • Tamaño del segmento = Contribución al total regional")
print("\n🔍 PREGÚNTATE:")
print("   • ¿Qué regiones tienen concentración (1-2 países dominan)?")
print("   • ¿Qué regiones tienen distribución más equilibrada?")
print("   • ¿Qué región tiene las mayores reservas absolutas?")

fig_stacked.show()

🎨 Creando gráfico de composición regional...
✅ Gráfico de composición regional creado

💡 INTERPRETACIÓN:
   • Cada barra = Una región del mundo
   • ALTURA total = Reservas totales de esa región
   • Segmentos de COLOR = Países dentro de esa región
   • Tamaño del segmento = Contribución al total regional

🔍 PREGÚNTATE:
   • ¿Qué regiones tienen concentración (1-2 países dominan)?
   • ¿Qué regiones tienen distribución más equilibrada?
   • ¿Qué región tiene las mayores reservas absolutas?

# Preparar nombres de países para el mapa
# Algunos nombres necesitan ajustarse para que Plotly los reconozca

country_mapping = {
    'US': 'United States',
    'UK': 'United Kingdom',
    'UAE': 'United Arab Emirates'
}

oil_analysis['País_Mapa'] = oil_analysis['País'].replace(country_mapping)

# Crear mapa coroplético
# px.choropleth() es la función que crea mapas donde países se colorean por valores

fig_map = px.choropleth(
    oil_analysis,  # Nuestros datos
    locations='País_Mapa',  # Columna con nombres de países
    locationmode='country names',  # Decimos que use nombres, no códigos
    color='Reservas_Bbbl',  # Esta columna determina el color
    hover_name='País',  # Qué mostrar al pasar el mouse
    hover_data={  # Datos adicionales al pasar mouse
        'Reservas_Bbbl': ':,.1f',  # Formato con decimales
        'Produccion_Mbbl_dia': ':,.0f',
        'RP_Ratio_Years': ':,.0f',
        'País_Mapa': False  # No mostrar esta columna técnica
    },
    color_continuous_scale='YlOrRd',  # Escala: Yellow-Orange-Red
    labels={  # Etiquetas en español
        'Reservas_Bbbl': 'Reservas (Bbbl)',
        'Produccion_Mbbl_dia': 'Producción (Mbbl/día)',
        'RP_Ratio_Years': 'Años restantes'
    },
    title='🗺️ Reservas Probadas de Petróleo por País (2020)'
)

# Personalizar el mapa
fig_map.update_layout(
    geo=dict(
        showframe=False,  # Sin marco alrededor
        showcoastlines=True,  # Mostrar líneas costeras
        projection_type='natural earth',  # Proyección del mapa
        bgcolor='lightblue'  # Color de los océanos
    ),
    height=600,
    title_font_size=18
)

print("✅ Mapa creado")
print("💡 Puedes hacer zoom con la rueda del mouse")
print("💡 Arrastra para mover el mapa")

fig_map.show()

✅ Mapa creado
💡 Puedes hacer zoom con la rueda del mouse
💡 Arrastra para mover el mapa

C:\Users\Patricia García\AppData\Local\Temp\ipykernel_23584\2073054508.py:15: DeprecationWarning:

The library used by the *country names* `locationmode` option is changing in an upcoming version. Country names in existing plots may not work in the new version. To ensure consistent behavior, consider setting `locationmode` to *ISO-3*.

# Seleccionar Top 10 países por reservas actuales
top10_countries = oil_analysis.nlargest(10, 'Reservas_Bbbl')['País'].tolist()

print("📊 Top 10 países para análisis temporal:")
for i, country in enumerate(top10_countries, 1):
    print(f"   {i}. {country}")

# Filtrar datos históricos solo para estos países
country_col = df_oil_reserves_history.columns[1]  # Segunda columna tiene nombres
df_history_top10 = df_oil_reserves_history[
    df_oil_reserves_history[country_col].isin(top10_countries)
].copy()

# Identificar columnas de años (son las que tienen solo números)
year_columns = [col for col in df_history_top10.columns if col.isdigit()]

# Transformar de formato "ancho" a "largo"
# Formato ancho: una columna por año (1980, 1981, 1982...)
# Formato largo: una columna "Año" y una columna "Valor"
# ¿Por qué? Plotly prefiere formato largo para gráficos de líneas

df_melted = df_history_top10.melt(
    id_vars=[country_col],  # Columnas que NO transformamos
    value_vars=year_columns,  # Columnas que SÍ transformamos
    var_name='Año',  # Nombre de la nueva columna de años
    value_name='Reservas'  # Nombre de la nueva columna de valores
)

df_melted = df_melted.rename(columns={country_col: 'País'})

# Limpiar datos
df_melted['Año'] = pd.to_numeric(df_melted['Año'], errors='coerce')
df_melted['Reservas'] = df_melted['Reservas'].astype(str).str.replace(',', '.')
df_melted['Reservas'] = pd.to_numeric(df_melted['Reservas'], errors='coerce')
df_melted = df_melted.dropna()

print(f"✅ Datos preparados: {len(df_melted)} registros")
print(f"   Años: {df_melted['Año'].min():.0f} - {df_melted['Año'].max():.0f}")

📊 Top 10 países para análisis temporal:
   1. Venezuela
   2. Saudi Arabia
   3. Canada
   4. Iran
   5. Iraq
   6. Russian Federation
   7. Kuwait
   8. United Arab Emirates
   9. US
   10. Libya
✅ Datos preparados: 399 registros
   Años: 1980 - 2020

# Crear gráfico de líneas temporal
# px.line() crea gráficos perfectos para mostrar evolución en el tiempo

fig_temporal = px.line(
    df_melted,
    x='Año',
    y='Reservas',
    color='País',  # Cada país tiene su color
    markers=True,  # Añadir puntos en cada año
    title='📈 Evolución de Reservas de Petróleo (1980-2020)<br><sub>Top 10 Países</sub>',
    labels={'Reservas': 'Reservas Probadas (Bbbl)', 'Año': 'Año'},
    color_discrete_sequence=px.colors.qualitative.Set1  # Colores distintivos
)

# Personalizar
fig_temporal.update_layout(
    height=600,
    hovermode='x unified',  # Mostrar todos los países al pasar mouse
    legend=dict(title='País', yanchor='top', y=1, xanchor='left', x=1.02),
    xaxis=dict(showgrid=True, gridcolor='lightgray'),
    yaxis=dict(showgrid=True, gridcolor='lightgray'),
    plot_bgcolor='white'
)

print("✅ Gráfico temporal creado")
print("💡 Haz clic en países en la leyenda para mostrar/ocultar")
print("💡 Doble clic en un país para ver solo ese")

fig_temporal.show()

✅ Gráfico temporal creado
💡 Haz clic en países en la leyenda para mostrar/ocultar
💡 Doble clic en un país para ver solo ese

# Extraer año 2020 de gas
# Las unidades son Tcm (Trillion cubic meters = billones de metros cúbicos)

gas_2020 = df_gas_reserves[['Continent', df_gas_reserves.columns[1], '2020']].copy()
gas_2020.columns = ['Continente', 'País', 'Reservas_Tcm']

# Limpiar datos de reservas
# Convertimos las comas europeas a puntos para que Python entienda los decimales
gas_2020['Reservas_Tcm'] = gas_2020['Reservas_Tcm'].astype(str).str.replace(',', '.')
gas_2020['Reservas_Tcm'] = pd.to_numeric(gas_2020['Reservas_Tcm'], errors='coerce')
gas_2020 = gas_2020.dropna()

print(f"Reservas de gas cargadas: {len(gas_2020)} registros iniciales")

# Producción de gas (encontrar año más reciente disponible en los datos)
year_cols_gas = [col for col in df_gas_production.columns if col.isdigit()]
latest_year = max(year_cols_gas, key=lambda x: int(x))

print(f"Usando datos de producción del año: {latest_year}")

gas_prod = df_gas_production[['Continent', df_gas_production.columns[1], latest_year]].copy()
gas_prod.columns = ['Continente', 'País', 'Produccion_Bcm']

# Limpiar datos de producción
gas_prod['Produccion_Bcm'] = gas_prod['Produccion_Bcm'].astype(str).str.replace(',', '.')
gas_prod['Produccion_Bcm'] = pd.to_numeric(gas_prod['Produccion_Bcm'], errors='coerce')
gas_prod = gas_prod.dropna()

print(f"Producción de gas cargada: {len(gas_prod)} registros")

# Combinar reservas y producción
# El merge une las dos tablas por la columna 'País'
gas_analysis = gas_2020.merge(gas_prod[['País', 'Produccion_Bcm']], on='País')

print(f"Datos combinados: {len(gas_analysis)} registros antes de filtrar")

# ============================================================================
# NUEVO: FILTRAR AGREGACIONES Y TOTALES
# ============================================================================
# Este es el paso crítico donde eliminamos las filas que no representan países
# individuales sino totales o agrupaciones

# La misma lista de términos que usamos para petróleo
# Estos identifican filas que son sumas, totales o bloques regionales
aggregations_to_exclude = [
    'World',           # Total mundial
    'OPEC',            # Organización de Países Exportadores de Petróleo
    'Non-OPEC',        # Países que no son OPEC
    'OECD',            # Organización para la Cooperación y el Desarrollo Económicos
    'Non-OECD',        # Países que no son OECD
    'Total',           # Cualquier total (ej: "Total North America")
    'of which',        # Subcategorías
    'Other',           # Agrupación de "otros países"
    'Europe',          # Total europeo (no países individuales)
    'European Union',  # La UE como bloque
    'EU',              # Abreviatura de European Union
    'Asia',            # Total asiático
    'Africa',          # Total africano
    'Middle East',     # Total de Medio Oriente
    'CIS',             # Comunidad de Estados Independientes
    'S. & Cent. America'  # Total de Sur y Centroamérica
]

# Crear un patrón de búsqueda con todas estas palabras
# El símbolo | significa "O" - busca cualquiera de estas palabras
exclusion_pattern = '|'.join(aggregations_to_exclude)

# Aplicar el filtro
# El símbolo ~ significa "NOT" (negación)
# Queremos mantener solo las filas que NO contienen estas palabras
gas_analysis = gas_analysis[~gas_analysis['País'].str.contains(
    exclusion_pattern, 
    case=False,  # No importa si está en mayúsculas o minúsculas
    na=False     # Los valores nulos (NaN) se tratan como False
)]

print(f"✅ Después de filtrar agregaciones: {len(gas_analysis)} países reales")
print(f"   Se eliminaron: {len(gas_2020) - len(gas_analysis)} filas de totales/agrupaciones")
# ============================================================================

# Ahora continuamos con el cálculo del R/P Ratio
# Reservas en Tcm (trillions), Producción en Bcm (billions) por año
# Como 1 Tcm = 1000 Bcm, multiplicamos las reservas por 1000
gas_analysis['RP_Ratio_Years'] = (gas_analysis['Reservas_Tcm'] * 1000) / gas_analysis['Produccion_Bcm']

# Los valores infinitos pueden aparecer si un país tiene reservas pero producción cero
# Los reemplazamos con NaN (Not a Number) para evitar problemas en los gráficos
gas_analysis['RP_Ratio_Years'] = gas_analysis['RP_Ratio_Years'].replace([np.inf, -np.inf], np.nan)

print("✅ R/P Ratio calculado para gas natural")
print(f"   Total mundial: {gas_2020['Reservas_Tcm'].sum():.1f} Tcm")

# Verificación: mostrar los Top 5 países
print("\n🏆 Top 5 países por reservas de gas:")
for idx, row in gas_analysis.nlargest(5, 'Reservas_Tcm').iterrows():
    print(f"   {row['País']}: {row['Reservas_Tcm']:.1f} Tcm ({row['RP_Ratio_Years']:.0f} años)")

# Verificación adicional: asegurarnos de que no hay agregaciones
print("\n📋 Verificación - Primeros 10 países en el análisis:")
for i, pais in enumerate(gas_analysis['País'].head(10), 1):
    print(f"   {i:2d}. {pais}")

Reservas de gas cargadas: 56 registros iniciales
Usando datos de producción del año: 2023
Producción de gas cargada: 59 registros
Datos combinados: 52 registros antes de filtrar
✅ Después de filtrar agregaciones: 46 países reales
   Se eliminaron: 10 filas de totales/agrupaciones
✅ R/P Ratio calculado para gas natural
   Total mundial: 564.8 Tcm

🏆 Top 5 países por reservas de gas:
   Russian Federation: 37.4 Tcm (64 años)
   Iran: 32.1 Tcm (124 años)
   Qatar: 24.7 Tcm (136 años)
   Turkmenistan: 13.6 Tcm (178 años)
   US: 12.6 Tcm (12 años)

📋 Verificación - Primeros 10 países en el análisis:
    1. Canada
    2. Mexico
    3. US
    4. Argentina
    5. Bolivia
    6. Brazil
    7. Colombia
    8. Peru
    9. Trinidad & Tobago
   10. Venezuela

# Top 15 países de gas
top15_gas = gas_analysis.nlargest(15, 'Reservas_Tcm').sort_values('Reservas_Tcm')

# Crear figura igual que con petróleo
fig_gas = make_subplots(
    rows=1, cols=3,
    subplot_titles=(
        'Reservas Probadas<br><sub>(Tcm)</sub>',
        'Producción<br><sub>(Bcm/año)</sub>',
        '¿Cuánto Durará?<br><sub>(Años)</sub>'
    ),
    column_widths=[0.3, 0.3, 0.4],
    horizontal_spacing=0.08
)

# Panel 1: Reservas (verde para diferenciarlo del petróleo)
fig_gas.add_trace(go.Bar(
    y=top15_gas['País'],
    x=top15_gas['Reservas_Tcm'],
    orientation='h',
    marker_color='rgb(50, 171, 96)',  # Verde
    showlegend=False,
    text=top15_gas['Reservas_Tcm'].round(1),
    textposition='outside'
), row=1, col=1)

# Panel 2: Producción (naranja)
fig_gas.add_trace(go.Bar(
    y=top15_gas['País'],
    x=top15_gas['Produccion_Bcm'],
    orientation='h',
    marker_color='rgb(255, 152, 0)',  # Naranja
    showlegend=False,
    text=top15_gas['Produccion_Bcm'].round(0),
    textposition='outside'
), row=1, col=2)

# Panel 3: R/P Ratio
fig_gas.add_trace(go.Scatter(
    y=top15_gas['País'],
    x=top15_gas['RP_Ratio_Years'],
    mode='lines+markers',
    marker=dict(size=10, color='rgb(50, 171, 96)', line=dict(width=2, color='white')),
    line=dict(width=2, color='rgb(50, 171, 96)'),
    showlegend=False,
    text=top15_gas['RP_Ratio_Years'].round(0).astype(str) + 'Y',
    textposition='middle right'
), row=1, col=3)

fig_gas.update_layout(
    title='🔥 Top 15 Países - Reservas de Gas Natural',
    height=700,
    plot_bgcolor='white'
)
fig_gas.update_xaxes(showgrid=True, gridcolor='lightgray')
fig_gas.update_yaxes(showgrid=False, row=1, col=1)
fig_gas.update_yaxes(showticklabels=False, row=1, col=2)
fig_gas.update_yaxes(showticklabels=False, row=1, col=3)

fig_gas.show()

# Obtener consumo de petróleo 2020
# El consumo nos dice cuánto petróleo usa cada país internamente

oil_cons = df_oil_consumption[['Continent', df_oil_consumption.columns[1], '2020']].copy()
oil_cons.columns = ['Continente', 'País', 'Consumo_Mbbl_dia']

# Limpiar datos de consumo (convertir formato europeo a formato Python)
oil_cons['Consumo_Mbbl_dia'] = oil_cons['Consumo_Mbbl_dia'].astype(str).str.replace(',', '.')
oil_cons['Consumo_Mbbl_dia'] = pd.to_numeric(oil_cons['Consumo_Mbbl_dia'], errors='coerce')
oil_cons = oil_cons.dropna()

print(f"Datos de consumo cargados: {len(oil_cons)} registros")

# Combinar producción y consumo
# Esto une dos tablas: cuánto produce cada país y cuánto consume
# El merge por 'País' hace que cada fila tenga ambos valores para el mismo país
balance_oil = oil_prod_2020[['País', 'Produccion_Mbbl_dia']].merge(
    oil_cons[['País', 'Consumo_Mbbl_dia']], 
    on='País'
)

print(f"Datos combinados (producción + consumo): {len(balance_oil)} registros iniciales")

# ============================================================================
# FILTRAR AGREGACIONES Y TOTALES
# ============================================================================
# Este filtro es CRÍTICO aquí porque estamos calculando balances
# Si dejamos entrar "World" o "OPEC", distorsionaría completamente el análisis

# La misma lista de exclusiones que hemos usado consistentemente
aggregations_to_exclude = [
    'World',           # El mundo produce lo que consume (balance = 0)
    'OPEC',            # Suma de países ya listados individualmente
    'Non-OPEC',        # Suma de otros países ya listados
    'OECD',            # Organización de países desarrollados
    'Non-OECD',        # Países que no son OECD
    'Total',           # Cualquier total regional
    'of which',        # Subcategorías
    'Other',           # Agrupación de "otros"
    'Europe',          # Total europeo
    'European Union',  # La UE como bloque
    'EU',              # Abreviatura
    'Asia',            # Total asiático
    'Africa',          # Total africano
    'Middle East',     # Total de Medio Oriente
    'CIS',             # Ex-repúblicas soviéticas
    'S. & Cent. America'  # Total de América del Sur y Central
]

# Crear patrón de búsqueda
exclusion_pattern = '|'.join(aggregations_to_exclude)

# Aplicar filtro
# ~ significa "NOT" - queremos solo países que NO coincidan con el patrón
balance_oil = balance_oil[~balance_oil['País'].str.contains(
    exclusion_pattern,
    case=False,  # Ignora mayúsculas/minúsculas
    na=False     # Trata valores nulos como False
)]

print(f"✅ Después de filtrar: {len(balance_oil)} países reales")
print(f"   Se eliminaron: {len(oil_prod_2020) - len(balance_oil)} filas de agregaciones")
# ============================================================================

# Ahora sí, calcular el balance
# Balance = Producción - Consumo
# Si el balance es POSITIVO: el país produce más de lo que consume (EXPORTADOR)
# Si el balance es NEGATIVO: el país consume más de lo que produce (IMPORTADOR)
balance_oil['Balance'] = balance_oil['Produccion_Mbbl_dia'] - balance_oil['Consumo_Mbbl_dia']

# Crear una columna que clasifique cada país
# Esta columna tendrá el texto "Exportador Neto" o "Importador Neto"
balance_oil['Tipo'] = balance_oil['Balance'].apply(
    lambda x: 'Exportador Neto' if x > 0 else 'Importador Neto'
)

# También es útil calcular el porcentaje
# ¿Qué porcentaje de su producción exportan? o ¿Qué porcentaje de su consumo importan?
balance_oil['Balance_Porcentaje'] = (
    balance_oil['Balance'] / balance_oil['Produccion_Mbbl_dia'] * 100
).round(1)

print("\n✅ Balance energético calculado")
print(f"   Países analizados: {len(balance_oil)}")

# Estadísticas generales
exportadores = balance_oil[balance_oil['Balance'] > 0]
importadores = balance_oil[balance_oil['Balance'] < 0]

print(f"\n📊 Resumen del Balance Energético:")
print(f"   Exportadores netos: {len(exportadores)} países")
print(f"   Importadores netos: {len(importadores)} países")

# Mostrar los Top 5 exportadores
print(f"\n🏆 Top 5 EXPORTADORES (producen mucho más de lo que consumen):")
for idx, row in balance_oil.nlargest(5, 'Balance').iterrows():
    print(f"   {row['País']}: +{row['Balance']:.0f} Mbbl/día "
          f"({row['Balance_Porcentaje']:.0f}% de su producción)")

# Mostrar los Top 5 importadores
print(f"\n📥 Top 5 IMPORTADORES (consumen mucho más de lo que producen):")
for idx, row in balance_oil.nsmallest(5, 'Balance').iterrows():
    print(f"   {row['País']}: {row['Balance']:.0f} Mbbl/día "
          f"(déficit del {abs(row['Balance_Porcentaje']):.0f}%)")

# Verificación visual de los primeros 10 países
print("\n📋 Verificación - Primeros 10 países en el balance:")
for i, row in balance_oil.head(10).iterrows():
    simbolo = "📤" if row['Balance'] > 0 else "📥"
    print(f"   {simbolo} {row['País']}: Balance = {row['Balance']:.0f} Mbbl/día")

Datos de consumo cargados: 95 registros
Datos combinados (producción + consumo): 43 registros iniciales
✅ Después de filtrar: 36 países reales
   Se eliminaron: 26 filas de agregaciones

✅ Balance energético calculado
   Países analizados: 36

📊 Resumen del Balance Energético:
   Exportadores netos: 22 países
   Importadores netos: 14 países

🏆 Top 5 EXPORTADORES (producen mucho más de lo que consumen):
   Saudi Arabia: +7602 Mbbl/día (69% de su producción)
   Russian Federation: +7362 Mbbl/día (69% de su producción)
   Iraq: +3421 Mbbl/día (83% de su producción)
   Canada: +2957 Mbbl/día (58% de su producción)
   United Arab Emirates: +2825 Mbbl/día (76% de su producción)

📥 Top 5 IMPORTADORES (consumen mucho más de lo que producen):
   China: -10503 Mbbl/día (déficit del 269%)
   India: -3943 Mbbl/día (déficit del 496%)
   Italy: -946 Mbbl/día (déficit del 837%)
   Thailand: -733 Mbbl/día (déficit del 174%)
   US: -685 Mbbl/día (déficit del 4%)

📋 Verificación - Primeros 10 países en el balance:
   📤 Canada: Balance = 2957 Mbbl/día
   📤 Mexico: Balance = 308 Mbbl/día
   📥 US: Balance = -685 Mbbl/día
   📤 Argentina: Balance = 214 Mbbl/día
   📤 Brazil: Balance = 762 Mbbl/día
   📤 Colombia: Balance = 436 Mbbl/día
   📤 Ecuador: Balance = 276 Mbbl/día
   📥 Peru: Balance = -70 Mbbl/día
   📤 Trinidad & Tobago: Balance = 46 Mbbl/día
   📤 Venezuela: Balance = 446 Mbbl/día

# Gráfico de barras de balance (positivo vs negativo)
# Tomamos Top 10 exportadores y Top 10 importadores

top10_exp = balance_oil.nlargest(10, 'Balance')
top10_imp = balance_oil.nsmallest(10, 'Balance')
balance_top20 = pd.concat([top10_exp, top10_imp]).sort_values('Balance')

# Crear gráfico
fig_balance = go.Figure()

# Colores: verde para exportadores, rojo para importadores
colors = ['green' if x > 0 else 'red' for x in balance_top20['Balance']]

fig_balance.add_trace(go.Bar(
    y=balance_top20['País'],
    x=balance_top20['Balance'],
    orientation='h',
    marker_color=colors,
    text=balance_top20['Balance'].round(0),
    textposition='outside'
))

fig_balance.update_layout(
    title='⚖️ Balance Energético de Petróleo<br><sub>Producción - Consumo (Mbbl/día)</sub>',
    xaxis_title='Balance (positivo = exportador)',
    height=600,
    showlegend=False,
    plot_bgcolor='white'
)
fig_balance.update_xaxes(showgrid=True, gridcolor='lightgray', zeroline=True, zerolinewidth=2)

fig_balance.show()

# Combinar datos de petróleo y gas por país
comparison = oil_analysis[['País', 'Reservas_Bbbl', 'RP_Ratio_Years']].merge(
    gas_analysis[['País', 'Reservas_Tcm', 'RP_Ratio_Years']],
    on='País',
    suffixes=('_Oil', '_Gas')
)

print(f"✅ {len(comparison)} países con ambos recursos")
print("\\nPaíses con más petróleo que gas (ratio):")
comparison['Oil_Gas_Ratio'] = comparison['Reservas_Bbbl'] / (comparison['Reservas_Tcm'] + 0.001)
for _, row in comparison.nlargest(5, 'Oil_Gas_Ratio').iterrows():
    print(f"   {row['País']}: Petróleo/Gas = {row['Oil_Gas_Ratio']:.1f}")

✅ 37 países con ambos recursos
\nPaíses con más petróleo que gas (ratio):
   Canada: Petróleo/Gas = 70.0
   Kuwait: Petróleo/Gas = 59.7
   Saudi Arabia: Petróleo/Gas = 49.6
   Venezuela: Petróleo/Gas = 48.2
   Iraq: Petróleo/Gas = 41.4

# Gráfico de dispersión: Reservas de Petróleo vs Gas
fig_scatter = px.scatter(
    comparison,
    x='Reservas_Tcm',
    y='Reservas_Bbbl',
    size='Reservas_Bbbl',  # Tamaño de burbuja según reservas de petróleo
    hover_name='País',
    title='🔷 Petróleo vs Gas: ¿Qué países tienen más de cada uno?',
    labels={
        'Reservas_Tcm': 'Reservas de Gas (Tcm)',
        'Reservas_Bbbl': 'Reservas de Petróleo (Bbbl)'
    },
    color='Oil_Gas_Ratio',
    color_continuous_scale='RdYlGn_r'  # Rojo-Amarillo-Verde invertido
)

fig_scatter.update_layout(height=600)
fig_scatter.show()

# Vamos a crear un diagrama de Sankey que muestre flujos de petróleo
# Desde países PRODUCTORES → hacia CONSUMO o EXPORTACIÓN

# Primero, tomemos los Top 10 exportadores y Top 10 importadores
top_exportadores = balance_oil[balance_oil['Balance'] > 0].nlargest(10, 'Balance')
top_importadores = balance_oil[balance_oil['Balance'] < 0].nsmallest(10, 'Balance')

print("🔄 Preparando datos para diagrama de Sankey...")
print(f"   Exportadores: {len(top_exportadores)}")
print(f"   Importadores: {len(top_importadores)}")

# Los diagramas de Sankey necesitan tres listas:
# 1. source: lista de índices de los nodos de ORIGEN
# 2. target: lista de índices de los nodos de DESTINO  
# 3. value: lista de valores (magnitud del flujo)

# Primero creamos una lista de TODOS los nodos (países)
# Un nodo es simplemente un punto en el diagrama donde las líneas se conectan
all_nodes = []

# Añadimos los exportadores con una etiqueta especial
for pais in top_exportadores['País']:
    all_nodes.append(f"🛢️ {pais}")  # Añadimos emoji para distinguir exportadores

# Añadimos los importadores con diferente etiqueta
for pais in top_importadores['País']:
    all_nodes.append(f"📥 {pais}")  # Emoji diferente para importadores

print(f"\n📊 Nodos creados: {len(all_nodes)} países")

# Ahora creamos las tres listas que Plotly necesita
source = []  # Lista de índices de origen
target = []  # Lista de índices de destino
value = []   # Lista de valores de flujo

# Para cada exportador, creamos flujos hacia una categoría "Mercado Global"
# En un análisis más detallado, podrías tener datos específicos de quién
# exporta a quién, pero para este ejemplo simplificado mostraremos
# el concepto de flujos hacia el mercado global

# Primero añadimos un nodo especial para "Mercado Global"
all_nodes.append("🌍 Mercado Global")
mercado_global_index = len(all_nodes) - 1

# Crear flujos desde cada exportador hacia el mercado global
for i, (idx, row) in enumerate(top_exportadores.iterrows()):
    # i es el índice del exportador en nuestra lista de nodos
    # El valor del flujo es su balance de exportación
    source.append(i)
    target.append(mercado_global_index)
    value.append(abs(row['Balance']))  # abs() para tener valores positivos

# Ahora creamos flujos desde el mercado global hacia cada importador
for i, (idx, row) in enumerate(top_importadores.iterrows()):
    # Los importadores están después de los exportadores en la lista
    importador_index = len(top_exportadores) + i
    
    source.append(mercado_global_index)
    target.append(importador_index)
    value.append(abs(row['Balance']))  # abs() porque el balance es negativo

print(f"\n✅ Flujos creados: {len(source)} conexiones")

🔄 Preparando datos para diagrama de Sankey...
   Exportadores: 10
   Importadores: 10

📊 Nodos creados: 20 países

✅ Flujos creados: 20 conexiones

# ============================================================================
# PREPARAR BALANCE ENERGÉTICO DE GAS NATURAL
# ============================================================================
# Vamos a replicar el mismo análisis que hicimos con petróleo pero para gas

print("🔥 Preparando balance de GAS NATURAL...")
print("="*70)

# Primero necesitamos los datos de consumo de gas
# Buscamos el año más reciente disponible en los datos de consumo
year_cols_gas_cons = [col for col in df_gas_consumption.columns if col.isdigit()]
latest_year_cons = max(year_cols_gas_cons, key=lambda x: int(x))

print(f"📅 Usando datos de consumo de gas del año: {latest_year_cons}")

# Extraer consumo de gas
gas_cons = df_gas_consumption[['Continent', df_gas_consumption.columns[1], latest_year_cons]].copy()
gas_cons.columns = ['Continente', 'País', 'Consumo_Bcm']

# Limpiar datos (convertir formato europeo a formato Python)
gas_cons['Consumo_Bcm'] = gas_cons['Consumo_Bcm'].astype(str).str.replace(',', '.')
gas_cons['Consumo_Bcm'] = pd.to_numeric(gas_cons['Consumo_Bcm'], errors='coerce')
gas_cons = gas_cons.dropna()

print(f"   Datos de consumo cargados: {len(gas_cons)} registros")

# Ahora combinamos la producción de gas que ya tenemos con el consumo
# Recuerda que ya calculamos gas_prod anteriormente en el notebook
balance_gas = gas_prod[['País', 'Produccion_Bcm']].merge(
    gas_cons[['País', 'Consumo_Bcm']], 
    on='País'
)

print(f"   Producción y consumo combinados: {len(balance_gas)} registros iniciales")

# ============================================================================
# APLICAR FILTRO DE EXCLUSIÓN (MUY IMPORTANTE)
# ============================================================================
# La misma lista de agregaciones que hemos usado consistentemente
aggregations_to_exclude = [
    'World', 'OPEC', 'Non-OPEC', 'OECD', 'Non-OECD',
    'Total', 'of which', 'Other', 'Europe', 'European Union', 'EU',
    'Asia', 'Africa', 'Middle East', 'CIS', 'S. & Cent. America'
]

exclusion_pattern = '|'.join(aggregations_to_exclude)

# Filtrar las agregaciones
balance_gas = balance_gas[~balance_gas['País'].str.contains(
    exclusion_pattern,
    case=False,
    na=False
)]

print(f"✅ Después de filtrar agregaciones: {len(balance_gas)} países reales")

# Calcular el balance para gas
# Balance = Producción - Consumo (igual que con petróleo)
balance_gas['Balance'] = balance_gas['Produccion_Bcm'] - balance_gas['Consumo_Bcm']

# Clasificar como exportador o importador
balance_gas['Tipo'] = balance_gas['Balance'].apply(
    lambda x: 'Exportador Neto' if x > 0 else 'Importador Neto'
)

# Estadísticas rápidas
exportadores_gas = balance_gas[balance_gas['Balance'] > 0]
importadores_gas = balance_gas[balance_gas['Balance'] < 0]

print(f"\n📊 Balance de Gas Natural calculado:")
print(f"   Exportadores netos: {len(exportadores_gas)} países")
print(f"   Importadores netos: {len(importadores_gas)} países")

# Mostrar los principales
print(f"\n🏆 Top 5 Exportadores de GAS:")
for _, row in balance_gas.nlargest(5, 'Balance').iterrows():
    print(f"   {row['País']}: +{row['Balance']:.0f} Bcm/año")

print(f"\n📥 Top 5 Importadores de GAS:")
for _, row in balance_gas.nsmallest(5, 'Balance').iterrows():
    print(f"   {row['País']}: {row['Balance']:.0f} Bcm/año")

🔥 Preparando balance de GAS NATURAL...
======================================================================
📅 Usando datos de consumo de gas del año: 2024
   Datos de consumo cargados: 91 registros
   Producción y consumo combinados: 50 registros iniciales
✅ Después de filtrar agregaciones: 42 países reales

📊 Balance de Gas Natural calculado:
   Exportadores netos: 18 países
   Importadores netos: 24 países

🏆 Top 5 Exportadores de GAS:
   Qatar: +134 Bcm/año
   US: +131 Bcm/año
   Australia: +114 Bcm/año
   Norway: +113 Bcm/año
   Russian Federation: +109 Bcm/año

📥 Top 5 Importadores de GAS:
   China: -200 Bcm/año
   Germany: -75 Bcm/año
   Mexico: -62 Bcm/año
   Italy: -56 Bcm/año
   India: -39 Bcm/año

# Verificación rápida: asegurarnos que balance_oil también está filtrado
# Si ya lo ejecutaste con el filtro, esto no hará nada
# Si no, lo filtrará ahora

print("\n🛢️ Verificando balance de PETRÓLEO...")

# Aplicar el mismo filtro si no se ha aplicado antes
if 'World' in balance_oil['País'].values or 'OPEC' in balance_oil['País'].values:
    print("   ⚠️ Detectadas agregaciones, aplicando filtro...")
    balance_oil = balance_oil[~balance_oil['País'].str.contains(
        exclusion_pattern,
        case=False,
        na=False
    )]
    # Recalcular tipo si es necesario
    balance_oil['Tipo'] = balance_oil['Balance'].apply(
        lambda x: 'Exportador Neto' if x > 0 else 'Importador Neto'
    )
    print(f"   ✅ Filtrado: {len(balance_oil)} países reales")
else:
    print(f"   ✅ Ya filtrado: {len(balance_oil)} países reales")

print("\n🎯 Ambos datasets listos para comparación")

🛢️ Verificando balance de PETRÓLEO...
   ✅ Ya filtrado: 36 países reales

🎯 Ambos datasets listos para comparación

# ============================================================================
# CREAR DIAGRAMAS DE SANKEY COMPARATIVOS
# ============================================================================
print("\n🎨 Creando diagramas de Sankey comparativos...")
print("="*70)

# ESTRATEGIA: Usar los mismos países en ambos diagramas para comparabilidad
# Vamos a tomar el Top 8 de exportadores e importadores de cada recurso
# y luego combinar las listas para tener un conjunto único de países

# Top 8 exportadores e importadores de PETRÓLEO
top8_exp_oil = balance_oil[balance_oil['Balance'] > 0].nlargest(8, 'Balance')
top8_imp_oil = balance_oil[balance_oil['Balance'] < 0].nsmallest(8, 'Balance')

# Top 8 exportadores e importadores de GAS
top8_exp_gas = balance_gas[balance_gas['Balance'] > 0].nlargest(8, 'Balance')
top8_imp_gas = balance_gas[balance_gas['Balance'] < 0].nsmallest(8, 'Balance')

# Crear un conjunto único de países (usar set para evitar duplicados)
# Convertimos a set y luego de vuelta a list para mantener países únicos
exportadores_unicos = list(set(
    list(top8_exp_oil['País']) + list(top8_exp_gas['País'])
))

importadores_unicos = list(set(
    list(top8_imp_oil['País']) + list(top8_imp_gas['País'])
))

print(f"\n📋 Países seleccionados para la comparación:")
print(f"   Exportadores únicos: {len(exportadores_unicos)} países")
print(f"   Importadores únicos: {len(importadores_unicos)} países")

# Ordenar alfabéticamente para consistencia visual
exportadores_unicos.sort()
importadores_unicos.sort()

print(f"\n🟢 Exportadores: {', '.join(exportadores_unicos[:5])}...")
print(f"🔴 Importadores: {', '.join(importadores_unicos[:5])}...")

🎨 Creando diagramas de Sankey comparativos...
======================================================================

📋 Países seleccionados para la comparación:
   Exportadores únicos: 13 países
   Importadores únicos: 12 países

🟢 Exportadores: Algeria, Australia, Canada, Iraq, Kazakhstan...
🔴 Importadores: Australia, China, Germany, India, Indonesia...

# ============================================================================
# FUNCIÓN AUXILIAR PARA CREAR DATOS DE SANKEY
# ============================================================================
# Esta función convierte nuestros datos de balance en el formato que Sankey necesita
# La creamos como función para no repetir el mismo código dos veces

def preparar_datos_sankey(balance_df, exportadores_list, importadores_list):
    """
    Prepara los datos en formato Sankey (source, target, value)
    
    Parámetros:
    - balance_df: DataFrame con columnas 'País' y 'Balance'
    - exportadores_list: lista de países exportadores a incluir
    - importadores_list: lista de países importadores a incluir
    
    Retorna:
    - all_nodes: lista de etiquetas de todos los nodos
    - source: lista de índices de origen
    - target: lista de índices de destino
    - value: lista de valores de flujo
    """
    
    # Crear lista de todos los nodos
    # Los exportadores van primero, luego los importadores
    all_nodes = []
    
    # Añadir exportadores con emoji verde
    for pais in exportadores_list:
        all_nodes.append(f"📤 {pais}")
    
    # Añadir nodo central "Mercado Global"
    all_nodes.append("🌍 Mercado")
    mercado_index = len(all_nodes) - 1
    
    # Añadir importadores con emoji rojo
    for pais in importadores_list:
        all_nodes.append(f"📥 {pais}")
    
    # Inicializar las tres listas que Sankey necesita
    source = []
    target = []
    value = []
    
    # Crear flujos desde exportadores hacia el mercado
    for i, pais in enumerate(exportadores_list):
        # Buscar el balance de este país en el DataFrame
        pais_data = balance_df[balance_df['País'] == pais]
        
        # Si el país existe en los datos y tiene balance positivo
        if len(pais_data) > 0:
            balance_value = pais_data.iloc[0]['Balance']
            if balance_value > 0:
                source.append(i)  # Índice del exportador
                target.append(mercado_index)  # Índice del mercado
                value.append(balance_value)
    
    # Crear flujos desde el mercado hacia importadores
    for i, pais in enumerate(importadores_list):
        # El índice del importador en all_nodes
        # Es: cantidad de exportadores + 1 (el mercado) + posición en lista de importadores
        importador_index = len(exportadores_list) + 1 + i
        
        # Buscar el balance de este país
        pais_data = balance_df[balance_df['País'] == pais]
        
        # Si el país existe y tiene balance negativo (importador)
        if len(pais_data) > 0:
            balance_value = pais_data.iloc[0]['Balance']
            if balance_value < 0:
                source.append(mercado_index)  # Desde el mercado
                target.append(importador_index)  # Hacia el importador
                value.append(abs(balance_value))  # Valor absoluto
    
    return all_nodes, source, target, value

# Preparar datos para PETRÓLEO
print("\n🛢️ Preparando datos de Sankey para PETRÓLEO...")
nodes_oil, source_oil, target_oil, value_oil = preparar_datos_sankey(
    balance_oil, 
    exportadores_unicos, 
    importadores_unicos
)
print(f"   ✅ {len(source_oil)} flujos creados")

# Preparar datos para GAS
print("🔥 Preparando datos de Sankey para GAS NATURAL...")
nodes_gas, source_gas, target_gas, value_gas = preparar_datos_sankey(
    balance_gas,
    exportadores_unicos,
    importadores_unicos
)
print(f"   ✅ {len(source_gas)} flujos creados")

🛢️ Preparando datos de Sankey para PETRÓLEO...
   ✅ 20 flujos creados
🔥 Preparando datos de Sankey para GAS NATURAL...
   ✅ 17 flujos creados

# ============================================================================
# CREAR FIGURA CON DOS DIAGRAMAS DE SANKEY
# ============================================================================

# Importar la capacidad de crear Sankey en subplots
from plotly import graph_objects as go
from plotly.subplots import make_subplots

print("\n🎨 Construyendo visualización comparativa...")

# Crear figura con dos columnas (una para petróleo, otra para gas)
fig_comparison = make_subplots(
    rows=1, 
    cols=2,
    subplot_titles=(
        '🛢️ PETRÓLEO<br><sub>Flujos de Exportación/Importación (Mbbl/día)</sub>',
        '🔥 GAS NATURAL<br><sub>Flujos de Exportación/Importación (Bcm/año)</sub>'
    ),
    # Especificar que son diagramas de tipo Sankey
    specs=[[{"type": "sankey"}, {"type": "sankey"}]],
    horizontal_spacing=0.05  # Poco espacio entre diagramas
)

# Colores consistentes para ambos diagramas
# Verde para exportadores, azul para mercado, rojo para importadores
num_exportadores = len(exportadores_unicos)
num_importadores = len(importadores_unicos)

node_colors = (
    ['rgba(46, 125, 50, 0.8)'] * num_exportadores +  # Verde para exportadores
    ['rgba(25, 118, 210, 0.8)'] +  # Azul para mercado global
    ['rgba(211, 47, 47, 0.8)'] * num_importadores  # Rojo para importadores
)

# DIAGRAMA 1: PETRÓLEO (columna izquierda)
fig_comparison.add_trace(
    go.Sankey(
        node=dict(
            pad=15,
            thickness=20,
            line=dict(color="white", width=2),
            label=nodes_oil,
            color=node_colors
        ),
        link=dict(
            source=source_oil,
            target=target_oil,
            value=value_oil,
            color='rgba(150, 150, 150, 0.3)'  # Gris transparente para las líneas
        )
    ),
    row=1, col=1
)

# DIAGRAMA 2: GAS NATURAL (columna derecha)
fig_comparison.add_trace(
    go.Sankey(
        node=dict(
            pad=15,
            thickness=20,
            line=dict(color="white", width=2),
            label=nodes_gas,
            color=node_colors  # Mismos colores para comparabilidad
        ),
        link=dict(
            source=source_gas,
            target=target_gas,
            value=value_gas,
            color='rgba(150, 150, 150, 0.3)'
        )
    ),
    row=1, col=2
)

# Configurar el diseño general
fig_comparison.update_layout(
    title=dict(
        text='🌍 Comparación de Flujos Energéticos: Petróleo vs Gas Natural<br>' +
             '<sub>Principales exportadores e importadores netos (2020-2023)</sub>',
        font=dict(size=22, family='Arial'),
        x=0.5,
        xanchor='center'
    ),
    font=dict(size=11),
    height=900,  # Altura generosa para ver bien los flujos
    showlegend=False,
    plot_bgcolor='white',
    paper_bgcolor='white'
)

print("✅ Diagramas comparativos creados")
print("\n💡 CÓMO INTERPRETAR LA VISUALIZACIÓN:")
print("   • Los bloques VERDES son países exportadores netos")
print("   • El bloque AZUL central representa el mercado global")
print("   • Los bloques ROJOS son países importadores netos")
print("   • El GROSOR de cada línea es proporcional al volumen comerciado")
print("   • Compara el mismo país entre ambos diagramas para ver diferencias")
print("\n📍 Pasa el mouse sobre cualquier elemento para ver valores exactos")
print("🔍 BUSCA PATRONES: ¿Qué países tienen perfiles diferentes en petróleo vs gas?")

fig_comparison.show()

🎨 Construyendo visualización comparativa...
✅ Diagramas comparativos creados

💡 CÓMO INTERPRETAR LA VISUALIZACIÓN:
   • Los bloques VERDES son países exportadores netos
   • El bloque AZUL central representa el mercado global
   • Los bloques ROJOS son países importadores netos
   • El GROSOR de cada línea es proporcional al volumen comerciado
   • Compara el mismo país entre ambos diagramas para ver diferencias

📍 Pasa el mouse sobre cualquier elemento para ver valores exactos
🔍 BUSCA PATRONES: ¿Qué países tienen perfiles diferentes en petróleo vs gas?

	Continent	Total proved reserves (Bbbl)	2000	2010	2019	2020
0	North America	Canada	181,5	174,8	169,1	168,1
1	North America	Mexico	24,6	10,4	6,1	6,1
2	North America	US	30,4	35,0	68,8	68,8
3	S. & Cent. America	Argentina	3,0	2,5	2,5	2,5
4	S. & Cent. America	Brazil	8,5	14,2	12,7	11,9

🛢️ Análisis Global - Reservas de Petróleo y Gas Natural¶

📋 Sobre este Proyecto¶

¿Qué vamos a descubrir?¶

Estructura¶

🔧 Preparación¶

Librerías: Nuestras Herramientas¶

📂 Cargar Datos¶

📊 MÓDULO 1: Análisis de Petróleo¶

1.1 Preparar Datos 2020¶

1.2 Calcular R/P Ratio¶

1.3 Gráfico Analytics (3 Paneles)¶

1.4 Mapa Mundial de Reservas¶

1.5 Evolución de Reservas (1980-2020)¶

💡 Hallazgos del Análisis Temporal¶

📊 MÓDULO 2: Análisis de Gas Natural¶

2.1 Preparar Datos de Gas¶

📊 MÓDULO 3: Análisis de Producción y Consumo¶

3.1 Balance Energético de Petróleo¶

📊 MÓDULO 4: Análisis Integrado¶

4.1 Comparación Petróleo vs Gas¶